Invenio Imaging 完成 1,006 名患者肺癌 AI 研究入组

Invenio Imaging 已完成一项关键性肺活检研究的 1,006 名患者入组，并在公布性能结果前获得 Google News 的显著报道。这一里程碑使其在研 AI 系统更接近监管审查，但尚不能说明该系统是否能准确识别可疑组织。

这一差别至关重要，因为 ON-SITE 测试的不只是另一款医学图像分类器。Invenio 希望将快速组织评估引入支气管镜检查室——医生会在此从疑似肺肿瘤中采集样本。该系统可在缺乏专业病理人员时提供反馈。

该研究覆盖七个医疗中心、32 名医生、四种活检技术以及超过 3,250 份新鲜组织标本。这些数字构成了规模可观的验证数据集，但也意味着研究重点已从入组转向证据，包括敏感性、特异性、工作流影响以及各临床中心的表现。

Invenio Imaging 实际完成了什么

Invenio 完成的是一项大型关键性研究的样本收集阶段，而非其 AI 产品的临床验证。

该公司于 2026 年 8 月 3 日宣布这一里程碑。其入组公告称，ON-SITE 是一项针对 NIO Lung Cancer Reveal 的前瞻性、多中心研究。

研究在七个医疗中心招募了 1,006 名患者。32 名医生使用四种采样技术采集了超过 3,250 份新鲜活检标本。

这些方法包括经支气管钳夹活检、冷冻活检、经支气管针吸活检，以及支气管内超声引导下经支气管针吸活检。采用多种方法应能让系统接触到组织大小、形态、质量和采集条件等方面的显著差异。

入组总数也超过了此前登记信息中预计的 900 名参与者。不过，更大的研究人群并不会自动带来更好的证据。其价值取决于最终分析计划、标本质量、参考标准，以及模型开发数据与验证数据之间的分离程度。

ON-SITE 是一项观察性研究。患者因临床需要接受支气管镜检查，研究人员则收集图像和标本，用于算法训练、调优和关键性验证。这并非一项比较两种竞争性诊断工作流下患者结局的随机试验。

这套受研究系统目前在美国仍属于在研产品，尚未获得 FDA 批准或许可用于临床。Invenio 表示，将分析关键性验证数据，以支持计划中的监管申报。

这正是 Google News 报道背后的核心事实。入组已经完成，公司获得了一套锁定的临床数据集，可据此构建监管申报材料。公告并未披露准确率、假阴性率，或不同研究中心之间的性能差异。

公司也未提供申报日期或预期商业上市时间表。这类信息在这一阶段缺失很常见，但也限制了读者能够得出的结论。

一套医疗 AI 系统即使完成大规模人群入组，仍可能在验证期间遭遇困难。其表现可能因医院、操作者、采样工具、组织类型及疾病患病率而异。最终结果必须显示，模型能否应对这些变异来源。

Invenio 于 2024 年开始招募患者。其最初公告提到 MD Anderson Cancer Center、Corewell Health、Memorial Sloan Kettering Cancer Center 和 University of North Carolina at Chapel Hill。最终完成的研究涉及七个中心。

对于介入肺病学而言，这一标本收集成果值得关注，因为获取足量且具有代表性的组织始终是一个难题。但这一里程碑最恰当的理解是：证据收集已经完成，而非临床获益已经得到确认。

为什么支气管镜检查室需要更快的反馈

关键难点不只是识别癌症，而是在操作结束前确认医生是否采集到了有用的组织。

支气管镜检查使医生能够检查气道，并通过柔性或机器人器械采集样本。较新的导航系统可以帮助到达较小或位于肺外周的病灶。然而，到达目标并不意味着活检一定取得了具有诊断价值的组织。

标本可能含有血液、正常肺组织、坏死物质，或肿瘤细胞数量过少。医生可能直到常规病理报告出炉后才发现问题。届时，患者或许需要再次接受侵入性操作。

快速现场评估，通常称为 ROSE，可解决这一问题的一部分。细胞学家或细胞技术人员会在操作仍在进行时检查采集材料，医生随后可决定是否需要采集更多组织。

ROSE 依赖受过培训的人员、排班、设备和工作流协调。根据 Invenio 在 2024 年首例患者公告中引用的一位医生的说法，许多活检中心无法获得这种支持。

NIO Lung Cancer Reveal 的目标正是填补这一可及性缺口。它旨在于传统快速组织评估无法用于该类样本时，为医生提供辅助。

其预期任务需要谨慎表述。该 AI 会识别由 Invenio 成像系统生成图像中疑似癌症的细胞或组织形态。它并不取代最终病理诊断。

这一限制在临床上非常重要。快速信号可以提示支气管镜医生，某份标本看起来可疑或可能有用，但无法确定每一种癌症亚型、分子改变或治疗决策。

现代肺癌诊疗还要求节约组织材料。病理学家可能需要组织用于组织学检查、免疫组织化学和分子检测。这些分析可为靶向治疗和免疫治疗决策提供指导。

如果一种快速评估方法会消耗或损伤标本，其实用性就会降低。Invenio 表示，其流程会在成像后保留组织，以供常规病理和分子分析使用。ON-SITE 仍需通过一致的临床执行来支持这一工作流主张。

更广泛的临床影响相当重大。National Cancer Institute 将肺癌称为美国男性和女性的首要癌症死因。筛查和改进后的影像技术能够发现可疑结节，但每一项发现都会开启一条诊断路径。

更好的导航技术提升了医生到达肺外周结节的能力，但组织评估并不总能以同样速度进步。ON-SITE 研究者 Gustavo Cumbo-Nacheli 在公司的公告中描述了这种不匹配。

这给医院、支气管镜平台制造商和病理科带来压力。更多操作可能会产生更大的即时组织确认需求，而人员限制使得常规 ROSE 难以覆盖每一间操作室。

因此，Invenio Imaging 的肺癌项目瞄准了一个具体的运营瓶颈。其商业前景取决于自动化能否在不引入不可接受诊断风险的情况下提供有用反馈。

NIO Lung Cancer Reveal 如何检查新鲜组织

该产品的核心机制将无标记组织成像与 AI 相结合，使有限的组织评估更贴近活检操作。

Invenio 的 NIO Imaging System 使用受激拉曼组织学技术。该技术利用激光绘制新鲜组织中的化学差异，生成无需传统染色、但类似常见组织学图像的图像。

传统病理通常需要多个制备步骤。组织可能需要固定、包埋、切成薄片、染色，然后置于显微镜下检查。这些步骤可产生可靠的诊断材料，但无法提供即时的术中反馈。

NIO 工作流采用不同路径。工作人员将未经处理的新鲜组织放入专用载玻片中，成像系统随后无需冷冻、切片或染色即可生成数字视图。

受激拉曼成像可检测与组织成分相关的分子振动。软件将这些信号转换为图像，突出与显微评估相关的结构。AI 模块则分析该数字图像，识别疑似癌症的形态特征。

与当前肺癌产品相比，这一底层成像方法拥有更长的研究历史。2008 年的一项Science 研究描述了利用受激拉曼散射显微技术进行高灵敏度生物医学成像。Invenio 联合创始人 Christian Freudiger 是该论文的第一作者。

NIO Lung Cancer Reveal 在这一成像方法上增加了深度学习解读层。深度学习是一种机器学习方法，它从带标签的示例中学习视觉模式，而不只依赖人工编写的规则。

ON-SITE 登记信息描述了两项不同的数据活动。一部分采集用于算法训练和调优，另一部分用于关键性验证，即根据参考诊断测试完成后的模型。

这种划分至关重要。在开发阶段使用过的图像上评估模型，可能会产生被高估的性能结果。可信的关键性分析需要独立验证病例，并控制信息泄漏。

研究还根据活检位置和采样方法将参与者分为四组。公开的 ON-SITE 记录包括肺外周钳夹活检、肺外周针吸活检、淋巴结针吸活检和肺外周冷冻活检。

即使来自同一种疾病，这些样本的外观也可能不同。针吸标本可能包含分散细胞和血液；钳夹活检会保留小块组织，而冷冻活检则可能取得更大的样本。

一项有用的 AI 肺活检研究必须正视这种变异。较高的平均性能可能掩盖某一种技术或病灶类型上较弱的结果。医生需要知道，在其实际操作条件下，哪些输出仍然可靠。

该系统还面临一个重要的适用范围边界。Invenio 表示，其输出不应作为主要诊断依据。医生必须综合考虑常规病理、临床病史、影像资料及其他患者信息。

这使 Lung Cancer Reveal 更接近决策支持，而非自主诊断。它的作用是帮助回答一个即时操作问题：这份新鲜标本是否包含疑似癌症的形态特征？

这一答案可能影响医生是否会在移出支气管镜前采集更多组织。它也可能有助于为病理检查确定标本优先级，尽管公司尚未在入组公告中确立这种用途。

这一机制之所以具有吸引力，是因为它连接了硬件、耗材、数字图像和算法。但与在现有扫描仪上安装独立软件相比，它对运营的要求也更高。

医院需要配备兼容的成像硬件、经过验证的样本处理流程、员工培训、维护支持，并将其整合进操作常规。仅凭模型性能出色，尚不足以解决这些落地问题。

真正的对手是现有的 ROSE 工作流程

Invenio 的主要竞争对象并非另一款 AI 模型。它挑战的是一种仍有价值、但供给并不稳定的人力支持型工作流程。

ROSE 让临床医生能够在活检过程中获得快速的专家评估。在人员配置得当的情况下，它可帮助判断所采集材料是否看起来足以用于诊断，也可为是否需要追加取样提供参考。

它的弱点在于物流与调度。一名细胞学专业人员必须在恰当的时间出现在恰当的地点。手术安排可能变化，病例可能超时，一些医疗机构也无法在每间支气管镜检查室配备专职人员。

NIO Lung Cancer Reveal 提出了不同的安排：现有操作人员制备样本，附近的系统生成图像，AI 则提供辅助性输出。最终诊断仍由传统病理学确定。

因此，这并不是人类专业能力与自主 AI 的对比，而是现场专家工作流程与在该流程不可用时由设备支持的初步评估之间的比较。

这样的表述避免了两种常见夸大。第一，该产品并未消除对病理学家的需求。第二，它无需复现完整病理检查的每一项功能，也可能具备价值。

其实用基准更为狭窄：系统必须提供可靠、及时的信息，以改变样本采集决策，同时不引入新的混乱。

假阴性构成最明显的风险。如果软件未能识别可疑组织，医生可能认为样本不足而不必要地继续操作。更严重的是，错误的信心可能导致在未获得足够代表性组织的情况下结束操作。

假阳性会带来不同的成本。它们可能让医生对某份样本产生信心，而传统病理学随后却认定其无法诊断。它们也可能促使不必要的额外处理，或扭曲操作过程中的预期。

有用的性能门槛取决于医生如何解读输出结果。一套保守的警报系统可能会优先考虑敏感性，接受更多假阳性，以避免漏掉可疑标本。最终标签和界面将塑造这种平衡。

时效同样重要。若反馈在医生完成取样后才到达，其对操作的价值就很有限。Invenio 表示其成像速度很快，但完成入组的公告并未披露 ON-SITE 的实测周转时间。

医院还会将该系统与其他针对同一问题的方案比较。它们可以扩充细胞学人员配置、采用远程病理服务、重新设计排程、改进导航，或使用其他光学组织评估方法。

一些新兴技术通过光谱学、共聚焦显微镜或计算机辅助细胞学分析组织。另一些则尝试在活检前确认工具位置，而非在之后评估样本。

这些方法针对诊断链条的不同阶段。Invenio 的定位具有独特性，因为它对取出的、未经处理的组织进行成像，并保留标本供后续分析。

NIO Lung Cancer Reveal 也获得了监管层面的积极信号。FDA 于 2024 年 10 月授予该产品 Breakthrough Device Designation，用于辅助支气管镜肺部活检钳活检。

FDA 的 Breakthrough Devices Program 可提供更密切的监管互动和优先审查。获指定的设备在获得上市授权前，仍须满足适用的安全性和有效性标准。

该指定并不等同于获批。FDA 报告称，截至 2026 年 3 月 31 日，已授予 1,284 项指定，并发出 198 项相关上市授权。这些数字表明，加速互动与获得授权仍是两个不同的里程碑。

NIO Lung Cancer Reveal 的公告涵盖通过四种技术采集的标本。然而，公开描述的突破性指定适应症具体提及肺部活检钳活检。最终提交材料和标签将决定该系统可被推广销售的范围有多广。

这正是 Google News 标题可能误导匆忙读者之处。“里程碑式研究”和“Breakthrough Device”听起来像是已经完成的判断。从监管角度看，两者仍指向同一个尚未回答的核心问题：该系统表现如何？

入组数字无法证明什么

ON-SITE 的规模强化了潜在证据基础，但目前尚无公开性能数据支持其准确性或改善临床结局的说法。

公告披露了患者、研究中心、医生、标本和活检方法，但没有披露癌症阳性病例、良性病例、排除标本或成像失败的数量。

这些分母至关重要。一项研究可能采集数千份标本，却只形成较小的、可评估的验证数据集。样本可能因处理错误、成像质量、缺少参考诊断或方案偏离而被排除。

同一患者的多份标本也不能总被视作相互独立的观察结果。同一个人的图像可能共享生物学和操作特征。统计分析必须考虑这种聚类效应，以避免夸大精确性。

该数据集平均每位入组患者包含超过三份标本。这种广度有助于检验样本层面的表现，但患者层面的结局仍是更符合临床直觉的衡量标准。

读者应关注两个层面的敏感性和特异性。敏感性衡量系统识别相关阳性病例的频率；特异性衡量其避免错误标记阴性病例的频率。

阳性预测值和阴性预测值将部分取决于受试人群中的癌症患病率。在高疑似转诊中心取得的表现，未必能直接适用于病例构成不同的社区医院。

中心之间的差异将构成另一项压力测试。七个中心比单中心研究提供了更多样性，但算法仍可能学到与设备、操作者或本地样本处理习惯相关的间接信号。

强有力的分析应报告在将某一中心排除在训练之外时，性能是否仍保持稳定。还应展示每种活检技术、解剖位置及具有临床意义的亚组的结果。

参考标准也值得仔细审视。传统病理学很可能提供金标准，但最终诊断可能涉及多份标本和随访信息。研究方案应说明如何解决分歧和不确定病例。

临床效用问题与诊断准确性是分开的。即使模型准确，如果它拖慢操作、打断工作人员，或很少改变取样决策，也未必能改善医疗服务。

相反，在没有即时组织评估的情况下，即便模型并不完美，也可能提供价值。这一判断需要与真实的本地替代方案比较，而非与理想化的工作流程比较。

ON-SITE 属于观察性研究而非随机研究。它可以验证图像分类，但并非旨在证明使用该输出能减少重复操作或改善生存率。

因此，关于患者结局的说法应等待更多证据。未来的实施研究可比较重复活检率、操作时长、组织充分性、并发症和后续检测成功率。

该产品也面临人类依赖 AI 的常见挑战。医生可能低估一项谨慎工具的作用，也可能过度信任一个看似自信的显示结果。界面设计和培训会影响这两种结果。

监管机构将审查预期用户、使用环境、警告信息和失效模式。在正在进行的操作中向肺病科医生展示的结果，与离线研究评分所产生的影响不同。

公司的新闻稿正确指出，该输出不应被用作主要诊断依据。随着产品从研究场景走向常规使用，这一警告必须始终清晰可见。

媒体聚合又增加了一层解读。Google News 分发来自出版商和新闻稿服务机构的标题，但其展示位置并不独立验证公司的说法。读者必须区分来源方的公告与经过审查的临床结果。

这并不削弱入组的成就。跨七个中心招募 1,006 名患者，需要患者、医生、病理团队和研究人员之间持续协调。

但这界定了恰当的结论。Invenio 已为其技术论点建立了一项规模可观的测试。该测试的答案仍未披露。

Google News 标题之后值得关注的三个信号

验证结果、监管范围和真实世界工作流程证据，将决定入组是否成为具有临床意义的里程碑。

第一个信号是关键性能分析。Invenio 需要披露敏感性、特异性、可评估样本数和置信区间。结果还应区分四种活检技术。

按技术分别报告将揭示模型的性能是覆盖广泛，还是集中在活检钳活检上。这一区别可能同时影响 FDA 标签和初期采用情况。

读者还应关注患者层面的结果。当每位参与者提供多份相关样本时，标本层面的准确性可能显得很强。患者层面分析更能反映医生实际面临的操作决策。

第二个信号是监管提交及其申请的适应症。Invenio 曾表示将使用 ON-SITE 数据支持提交申请，但尚未公布时间表。

提交申请的范围将澄清公司寻求的是针对一种还是多种活检方法的授权。它还应界定预期用户、输出结果的含义，以及与传统病理学之间所需的关系。

任何 FDA 授权都需要谨慎解读。获准辅助组织评估，并不会使该软件成为自主诊断系统。最终标签将决定医院可以据以依赖哪些主张。

第三个信号是来自常规工作流程的证据。医院将希望了解该系统多常改变取样决策、每次评估耗时多久，以及工作人员如何处理不可用图像。

它们还会审查组织保存情况。肺癌样本通常需要支持多项后续检测，因此快速评估不能损害诊断和治疗规划所需的材料。

可信的实施报告应涵盖重复操作、诊断充分性、操作时长、培训要求和技术故障。这些指标比单独的准确性评分更直接地检验商业承诺。

如果 ON-SITE 的结果在各中心和活检方法之间保持一致，可能会强化 Invenio 的论证。狭窄或不均衡的结果则会削弱其作为广泛部署的室内评估系统的理由。

FDA 授权将标志着又一个重要步骤，但医院采用仍是另一回事。采购方必须评估资本设备、耗材、人员配置、系统集成和预期操作量。

公司还需要说明该系统在哪些情况下与 ROSE 互补，以及在哪些情况下提供切实可行的替代方案。拥有广泛病理支持的机构，可能会与缺乏可靠现场覆盖的中心以不同方式评估它。

对临床医生和医疗 AI 团队而言，这项研究提供了一个有益的启示：出色的模型只是临床产品的一部分。样本处理、硬件、标注、工作流程以及人工解读，共同构成了系统的其余部分。

对于通过 Google News 看到这篇报道的普通读者来说，眼下的结论则更为有限。Invenio 已完成一项针对在研肺活检工具的大型多中心数据收集工作，但尚未公布评估其临床表现所需的数据。

下一个标题应当回答一个比“有多少患者入组”更棘手的问题：NIO Lung Cancer Reveal 能否在医生实际开展的各类操作中，提供准确、及时且一致的辅助？

请关注完整的关键性研究结果、确切的 FDA 申报内容，以及来自真实支气管镜工作流程的证据。这三个信号将揭示 ON-SITE 是否支撑了一款可部署的临床工具，还是仅仅支撑了一个雄心勃勃的技术前提。